Python 价格预测的训练模型

我正在尝试制作股票预测器，我知道我将创建的模型不会很好，但无论如何。首先，我将在下面添加formate X和Y的代码。X包含10天的股票价格，Y包含答案（接下来几天的价格）

将yf财务导入为yf
将numpy作为np导入
作为pd进口熊猫
导入json
从系统导入退出
从keras.models导入顺序
从keras.layers导入LSTM
从keras.layers导入退出
从keras.layers导入稠密
将open（'/content/drive/MyDrive/tickers.json'，'r'，encoding='utf-8'）作为f:
tickers_list=eval（json.loads（f.read（））['tickers'][：100]#tickers列表
X=[]
Y=[]
对于ticker\u列表中的ticker：
stock=yf.下载（股票代码，'1990-01-01'，'2019-12-31'['Adj Close']）。数值
对于范围内的i（len（库存））：
尝试：
股票[i+11]
除：
持续
追加（股票[i:i+10]）
Y.追加（[股票[i+11]]）
X=np.阵列（X）#10天的价格
Y=np.数组（Y）#第二天的价格

之后，我编写了创建模型的代码

X\u train=np.展开尺寸（X，1）
模型=顺序（）
add（LSTM（units=64，return\u sequences=True，input\u shape=（10,1）））
模型。添加（辍学（0.2））
model.add（LSTM（单位=64，返回序列=True））
模型。添加（辍学（0.2））
model.add（LSTM（单位=64，返回序列=True））
模型。添加（辍学（0.2））
模型添加（LSTM（单位=64））
模型。添加（辍学（0.2））
模型。添加（密度（单位=1））
compile（优化器='adam'，loss='mean_squared_error'）
打印（model.summary（））
模型拟合（X系列，Y系列，历次=100，批量=32）

但当我运行上面的代码时，出现了错误

Input 0 is incompatible with layer sequential_17: expected shape=(None, None, 1), found shape=[None, 1, 10]

如何修复它？ 谢谢你

注意 如果您有任何可以让我的研究更好的建议，请写信给我。

更改此行：

X_train = np.expand_dims(X, 2) # 2 instead of 1

---

我建议您使用此函数创建时间序列数据集。您的操作，包括错误处理，似乎不太理想。此函数来自Tensorflow官方文档的旧版本。除此之外，你似乎在一个接一个地连接一组时间序列，这是没有意义的

def univariate_data(dataset, start_index, end_index, history_size,
                    target_size, single_step=False):
    data, labels = [], []
    start_index = start_index + history_size
    if end_index is None:
        end_index = len(dataset) - target_size
    for i in range(start_index, end_index):
        indices = np.arange(i-history_size, i)
        data.append(np.reshape(dataset[indices], (history_size, 1)))
        if single_step:
            labels.append(dataset[i + target_size])
        else:
            labels.append(dataset[i:i + target_size])
    return np.array(data), np.array(labels)

然后，你甚至不会面对你所面临的问题。除此之外，请注意，您不需要打印

model.summary（）

，调用此方法会自动打印它。下面是我提供的函数的完整工作示例：

import yfinance as yf
import numpy as np
import tensorflow as tf

stock = yf.download('aapl','1990-01-01','2019-12-31')['Adj Close'].values

def univariate_data(dataset, start_index, end_index, history_size,
                    target_size, single_step=False):
    data, labels = [], []
    start_index = start_index + history_size
    if end_index is None:
        end_index = len(dataset) - target_size
    for i in range(start_index, end_index):
        indices = np.arange(i-history_size, i)
        data.append(np.reshape(dataset[indices], (history_size, 1)))
        if single_step:
            labels.append(dataset[i + target_size])
        else:
            labels.append(dataset[i:i + target_size])
    return np.array(data), np.array(labels)

X, y = univariate_data(stock, 0, len(stock) - 1, 10, 1, True)

model = tf.keras.Sequential()
model.add(tf.keras.layers.LSTM(units=8,return_sequences=True,
                               input_shape=(10, 1)))
model.add(tf.keras.layers.Dropout(0.2))
model.add(tf.keras.layers.LSTM(units=8,return_sequences=True))
model.add(tf.keras.layers.Dropout(0.2))
model.add(tf.keras.layers.LSTM(units=8,return_sequences=True))
model.add(tf.keras.layers.Dropout(0.2))
model.add(tf.keras.layers.LSTM(units=8))
model.add(tf.keras.layers.Dropout(0.2))
model.add(tf.keras.layers.Dense(units=1))
model.compile(optimizer='adam',loss='mean_squared_error')

model.summary()

history = model.fit(X, y, steps_per_epoch=1)

---

X_train.shape

的输出是什么？X_train.shape的输出是（474299,1,10）谢谢你，你有什么建议可以改进我的模型吗？在第一个历元损失为nan后。如果损失为nan，请检查数据集中是否有nan，并将其删除。我将在30分钟内不接受您的答案，我将等待建议。你的回答解决了我的问题。@b杜切特，你怎么看。从技术上讲，我的模型是否可行？尝试减少LSTM层的数量（从一层开始）。4层可能不稳定谢谢你这么多怎么预测？aapl=np.array（列表（yf.download（'aapl'，'2020-11-25'，'2020-12-10'）['Adj-Close'].values））aapl=np.expand_-dims（aapl，1）模型。predict（aapl）给我输入的层顺序0与层不兼容：预期ndim=3，发现ndim=2。收到完整形状：[无，1]如果生成测试数据，则必须将其作为wellTW传递到函数中。我很确定您将一个接一个地连接多个时间序列，这没有意义。您在做什么？我知道我的模型不适合它的任务。

7547/7547 [==============================] - 12s 2ms/sample - loss: 286.5788